Wyniki wyszukiwania - BazTech

1

Survey on racing simulators as an environment for reinforcement learning

Wójtowicz Jacek, Siwek Krzysztof

Przegląd Elektrotechniczny

|

2026

|

R. 102, nr 2

150--156

EN

Nowadays, when field of autonomous cars is quickly developing, including autonomous racing, there is a requirement for a reliable environment for both, training and validating algorithms or neural networks build for autonomous cars. In this paper a number of racing simulators has been analysed in terms of possibility to use them as an environment for training neural networks. Simulators has been reviewed taking into the consideration factors important, while choosing environment, especially for Reinforcement Learning used for Autonomous racing cars. Factors like, track modelling, suspension simulation or influence of temperature and wear on their grip of the tire has been discussed and compared.

PL

W dzisiejszych czasach, gdy rynek samochodów autonomicznych, w tym wyścigów autonomicznych, dynamicznie się rozwija, istnieje zapotrzebowanie na niezawodne środowisko zarówno do trenowania, jak i walidacji algorytmów lub sie- ci neuronowych budowanych dla samochodów autonomicznych. W niniejszym artykule przeanalizowano szereg symulatorów wyścigowych pod kątem możliwości wykorzystania ich jako środowiska do trenowania sieci neuronowych. Symulatory zostały przeanalizowane pod kątem czynników istotnych przy wyborze środowiska, zwłaszcza w przypadku technologii Reinforcement Learning stosowanej w autonomicznych samochodach wyścigowych. Omówiono i porównano takie czynniki, jak modelowanie toru, symulacja zawieszenia czy wpływ temperatury i zużycia na przyczepność opon.

2

Forest fire detection system using convolutional neural network and MODIS satellite data in Indonesia

Rosa Sri Listia, Fadhilla Mutia, Wandry Rizki, Bakar Wan Aezwani Wan Abu, Irie Hitoshi, Kadir Evizal Abdul

Przegląd Elektrotechniczny

|

2026

|

R. 102, nr 7

15--23

EN

Indonesia faces severe forest and land fires that have a widespread impact on public health, the environment, and the economy. Early warning and detection of fire hotspots is crucial to prevent and mitigate the effects in any aspect. This research aims to analyze data from the Moderate Resolution Imaging Spectroradiometer (MODIS) and then analyze it with a convolutional neural network (CNN). The methodology of research includes extracting fire data based on location detected, preprocessing of data to improve the quality of images, and labelling of image data referring to the incident event and location. MODIS data is used in this analysis to check the quality of images to be processed. MODIS images are used because of their high temporal, wide spatial coverage, and almost continuous availability in the Indonesian region, especially in Sumatra. The CNN algorithm was applied to the data analysis to work with sample data, then tested with testing data. To validate the data against ground data captured by the data collector and sampling data obtained from the Indonesian fire report. Results report that the CNN algorithm can analyze the MODIS data with high accuracy, more than 90% compared to the normal method. The system, as well as the mentioned number of fire hotspots in the year 2022 and 2023, then predicts events in the years 2024 and 2025. The proposed system aims to improve the support decision by authorities and contribute to sustainable land and forest fire mitigation in Indonesia, as well as improve the efficiency of forest fire warning. Future work is to increase the region to detect and forecast the state in Indonesia.

PL

Indonezja zmaga się z poważnymi pożarami lasów i gruntów, które mają rozległy wpływ na zdrowie publiczne, środowisko i gospodarkę. Wczesne ostrzeganie i wykrywanie ognisk pożaru ma kluczowe znaczenie dla zapobiegania i łagodzenia skutków w każdym aspekcie. Celem niniejszych badań jest analiza danych z spektrometru obrazowania o średniej rozdzielczości (MODIS), a następnie ich analiza za pomocą splotowej sieci neuronowej (CNN). Metodologia badań obejmuje ekstrakcję danych o pożarze na podstawie wykrytej lokalizacji, wstępne przetwarzanie danych w celu poprawy jakości obrazów oraz etykietowanie danych obrazowych odnoszące się do zdarzenia i lokalizacji. Dane MODIS są wykorzystywane w tej analizie do sprawdzania jakości obrazów przeznaczonych do przetwarzania. Obrazy MODIS są wykorzystywane ze względu na ich wysoki zasięg czasowy, szeroki zasięg przestrzenny i niemal ciągłą dostępność w regionie Indonezji, zwłaszcza na Sumatrze. Algorytm CNN został zastosowany do analizy danych w celu pracy z danymi próbnymi, a następnie przetestowany z danymi testowymi. Celem jest walidacja danych w odniesieniu do danych naziemnych zebranych przez moduł zbierający dane oraz danych próbnych uzyskanych z raportu o pożarze w Indonezji. Wyniki wskazują, że algorytm CNN może analizować dane MODIS z wysoką dokładnością, przekraczającą 90% w porównaniu z metodą standardową. System, oprócz wspomnianej liczby ognisk pożarów w latach 2022 i 2023, prognozuje następnie zdarzenia w latach 2024 i 2025. Proponowany system ma na celu usprawnienie decyzji o wsparciu podejmowanych przez władze oraz przyczynienie się do zrównoważonego ograniczania pożarów gruntów i lasów w Indonezji, a także poprawę skuteczności ostrzegania przed pożarami lasów. Dalsze prace mają na celu zwiększenie zasięgu regionu w celu wykrywania i prognozowania sytuacji w Indonezji.

3

Explainability of convolutional neural networks: A survey of methods

Markowicz Magdalena, Podgórski Piotr, Kruszyński Jan, Sonbul Karim, Siwek Krzysztof

Przegląd Elektrotechniczny

|

2026

|

R. 102, nr 2

138--143

EN

Understanding and interpreting the decisions made by deep learning models has become an essential area of re- search in artificial intelligence. Convolutional neural networks (CNNs), despite their high performance in various tasks, often function as ”black boxes,” making it challenging to explain their predictions. This study focuses on applying and evaluating different explainability techniques to CNN models to gain more insight into their decision-making processes. Using multiple approaches, our aim was to assess the effectiveness and reliability of these methods in improving the transparency and interpretability of neural networks.

PL

Zrozumienie i interpretacja decyzji podejmowanych przez modele głębokiego uczenia się stały się istotnym ob- szarem badań nad sztuczną inteligencją. Konwolucyjne sieci neuronowe (CNN), pomimo wysokiej wydajności w różnych zadaniach, często funkcjonują jak „czarne skrzynki”, co utrudnia wyjaśnianie wyników ich działania. Niniejsze badanie koncentruje się na zastosowaniu i ocenie różnych technik wyjaśnialności modeli CNN, aby uzyskać głębszy wgląd w ich procesy decyzyjne. Celem badań była ocena skuteczności i niezawodności tych metod w poprawie przejrzystości i interpretowalności sieci neuronowych przy użyciu wybranych metod wyjaśnialności.

4

Application of convolutional neural networks and transfer learning to identification of imaging devices

Pereniec Patryk, Mosorov Volodymyr, Chodyka Marta

Przegląd Elektrotechniczny

|

2026

|

R. 102, nr 6

33--42

EN

This study aimed to evaluate the feasibility of identifying the type of imaging device based on its digital images using machine learning methods. The research methodology involved preparing a dataset of photographs captured with two mobile devices, splitting the original-resolution images into smaller square patches, and developing two convolutional neural network-based classification models with transfer learning. The models were trained and tested on disjoint subsets of the dataset, and their performance was assessed based on the resulting classification results. The experimental findings confirm that the proposed approach enables effective identification of imaging devices from digital images, achieving very high classification accuracy, with the patch-based image representation contributing significantly over simple downscaling. The results indicate that the proposed method is promising for digital image forensics and automatic source-device attribution; however, they should be interpreted as evidence of feasibility under constrained conditions rather than as validation of a practically deployable forensic tool.

PL

Celem badań była ocena możliwości identyfikacji rodzaju urządzeń fotograficznych na podstawie wykonywanych przez nie obrazów cyfrowych z wykorzystaniem metod uczenia maszynowego. Metodologia badań obejmowała przygotowanie zbioru danych złożonego ze zdjęć wykonanych dwoma urządzeniami mobilnymi, podzielenie obrazów w oryginalnej rozdzielczości na mniejsze, kwadratowe sektory oraz opracowanie dwóch modeli klasyfikacyjnych opartych na splotowych sieciach neuronowych z zastosowaniem uczenia transferowego. Modele trenowano i testowano na wydzielonych częściach zbioru danych, a ich jakość oceniano na podstawie uzyskanych wyników klasyfikacji. Otrzymane wyniki potwierdziły, że zaproponowane podejście umożliwia skuteczną identyfikację urządzeń fotograficznych na podstawie zdjęć cyfrowych, przy bardzo wysokiej dokładności klasyfikacji, w czym istotną rolę odegrał podział obrazów na sektory zamiast ich skalowania. Uzyskane wyniki wskazują, że zaproponowana metoda jest obiecująca z punktu widzenia analizy śledczej obrazów cyfrowych i automatycznej atrybucji urządzenia źródłowego; należy je jednak interpretować jako dowód wykonalności w warunkach ograniczonych, a nie jako potwierdzenie skuteczności praktycznie wdrażalnego narzędzia kryminalistycznego.

5

A secure Deep Learning–based approach for voltage stability classification in smart grids

Abbass Muhammad Jamshed, Lis Robert

Przegląd Elektrotechniczny

|

2026

|

R. 102, nr 7

192--199

EN

This paper proposes a secure deep learning based analytical approach for voltage stability classification in smart grid systems. The approach integrates machine learning (ML) and deep learning (DL) models to estimate the Fast Voltage Stability Index (FVSI) of the IEEE 30-bus power system under varying operating conditions. Several classification techniques are evaluated, including Support Vector Machines (SVM), Naïve Bayes, K-Nearest Neighbors (KNN), and a Convolutional Neural Network (CNN). A comparative analysis demonstrates the effectiveness of the CNN-based model in capturing complex nonlinear relationships for accurate voltage stability classification.

PL

W niniejszej pracy zaproponowano bezpieczny algorytm analityczny oparty na głębokim uczeniu do klasyfikacji stabilności napięciowej w inteligentnych systemach elektroenergetycznych. Algorytm integruje modele uczenia maszynowego (ML) oraz głębokiego uczenia (DL) w celu predykcji wskaźnika Fast Voltage Stability Index (FVSI) dla testowego systemu IEEE 30-bus w zmiennych warunkach pracy. Przeanalizowano różne techniki klasyfikacyjne, w tym Support Vector Machines (SVM), Naïve Bayes, K-Nearest Neighbors (KNN), a model oparty na konwolucyjnej sieci neuronowej (CNN) osiągnął najwyższą skuteczność.

6

Heterogeneous multi-branch feature fusion architecture for underwater acoustic target recognition

Yang Yuexiong, Chu Zhenhao, Peng Zilong

Polish Maritime Research

|

2026

|

nr 2

145--155

EN

The task of underwater acoustic target recognition has significant value for both military and civilian applications involving complex marine environments. However, traditional methods often struggle to achieve robust performance due to strong noise interference, weak target signals, and insufficient complementarity among the different features. This paper therefore proposes a deep learning recognition framework based on multimodal spectrogram features, in which short-time Fourier transform magnitude spectra, mel-spectrograms, and continuous wavelet transform spectrograms are used as multi-branch inputs, and a heterogeneous convolutional neural network is employed to extract time-frequency feature representations from each modality. Tailored multi-scale convolutional kernels are designed according to the characteristics of the different features, thereby effectively capturing the energy textures, envelope characteristics, and multi-scale structural information. At the fusion stage, a structure-dependent fusion strategy selection method is introduced, which enables the optimal integration of multi-branch features through inverse-variance weighting. Experimental results demonstrate that the proposed method achieves an accuracy of 97.60% in underwater acoustic target recognition tasks, significantly outperforming single-modality and homogeneous multi-branch models, a finding that validates the effectiveness of the proposed heterogeneous multibranch architecture and its adaptive fusion strategy.

7

Multimodal emotion detection for education and work environment by using improved artificial intelligence machine vision system

Wan Mohd Bukhari Wan Daud Wan Mohd Bukhari Wan, Kiral Adnan, Tokhi Mohamed Osman, Yee Lee Chung, Zawawi Muhammad Muzhafar Mohammad

Journal of Automation Mobile Robotics and Intelligent Systems

|

2026

|

Vol. 20, No. 2

53--62

EN

The use of artificial intelligence (AI) has significantly advanced emotion recognition within human-computer interaction (HCI). This paper aims to develop a multimodal emotion detection system for educational and work environments using an enhanced AI machine vision system. The primary focus is on training and testing a multimodal AI model in Python using convolutional neural networks (CNN). The results from the trained facial emotion AI model demonstrated substantial improvements. Training accuracy increased from 30.49% to 72.21%, while validation accuracy improved from 37.6% to 60.58%. Simultaneously, training loss decreased from 180.69% to 73.65%, and validation loss reduced from 172.97% to 107.53%. This CNN-based model can use OpenCV to detect seven emotions: happy, sad, neutral, angry, afraid, disgusted, and surprised. The ECG emotion AI model, also trained with CNN, also successfully recognized patterns for the same seven emotions. When these two models are combined into a multimodal AI system, they can detect facial and ECG-based emotions simultaneously. This comprehensive approach allows for the detection of both visible and hidden emotions, such as stress or anxiety, which may not be easily discernible through facial expressions alone. The integration of these models into a multimodal AI system provides a more accurate and holistic understanding of human emotions, enhancing applications in educational and work settings. The improved detection capabilities can lead to better user experiences and more effective responses to emotional states, ultimately contributing to advancements in HCI.

8

A novel approach of fault diagnosis for gearbox based on VMD optimized by GSWOA and improved RCMSE

Han Fei, Zhang Xiaodong, Cao Jiahao

Eksploatacja i Niezawodność

|

2026

|

Vol. 28, no. 1

art. no. 208672

EN

Wind turbine gearboxes face alternating loads and complex noise over prolonged operation, leading to vibration signals affected by noise, nonlinearity, and non-stationarity. These challenges complicate fault diagnosis. This study proposes a novel approach, combining a modified whale optimization algorithm (GSWOA) to optimize variational mode decomposition (VMD) parameters and an improved refined composite multiscale sample entropy (IRCMSE) method. The approach enhances VMD decomposition, mitigating mode mixing and boundary artifacts. An advanced coarse-graining process generates IRCMSE-based features, improving sensitivity to weak fault signatures. These features are fed into a CNN-BiLSTM model, leveraging CNN for spatial feature extraction and BiLSTM for temporal behavior modeling, enabling precise fault classification. Experiments on the WFD-1000 wind turbine gearbox platform show superior performance in signal reconstruction, feature discrimination, and fault detection, highlighting the method’s robustness under complex operational conditions.

9

The deep learning algorithm in intelligent fault diagnosis and rapid recovery strategy of the power network

Zhou Lin, Zhang Zehui, Peng Jie, Cheng Bo, Wang Liwei

Diagnostyka

|

2026

|

Vol. 27, No. 2

art. no. 2026209

EN

With the rapid expansion of the smart grid scale and the increasing complexity of its topological structure, traditional fault diagnosis and recovery methods have exposed significant limitations in multimodal time series data processing, anti-noise interference, and dynamic adaptability. However, most of the existing deep learning (DL) studies only combine the autoencoder (AE) and the convolutional neural network (CNN) serially; a bidirectional feature interaction mechanism has not been established, resulting in the loss of key fault features in the transmission process. Compared with the hybrid model using CNN-Recurrent Neural Network (RNN) or attention mechanisms, the innovation of this study is to introduce the learnable bidirectional feature interaction and dynamic weight allocation in the AE-CNN architecture for the first time, rather than simple feature concatenation or serial transfer. At the same time, most existing methods stop at fault diagnosis and do not form a full-process closed loop of diagnosis and recovery. Based on this, the study proposes a deep fusion network, which solves the above problems from the structural design and mathematical mechanism. Based on this, the study proposes a deep learning fusion network (DLFN) that integrates a stacked sparse autoencoder (SSAE) and a CNN. This fusion network innovatively introduces a feature interaction mechanism; it breaks the oneway feature transfer mode of the traditional hybrid model, solving the problem of key fault feature loss caused by the independent operation and lack of feature interaction between SSAE/AE and CNN. Meanwhile, the study proposes a dynamic recovery strategy generation method based on data reconstruction and secondary status judgment. The reconstruction of missing/noisy data is accomplished through SSAE, and the real-time optimization of the recovery path is achieved by combining the secondary judgment of fault status by CNN. Experimental results show that the proposed model's fault diagnosis accuracy is 7.3% higher than that of the traditional CNN; this fully meets the real-time requirements of power systems. Even under the strong noise interference of 5 decibels (dB), the diagnostic accuracy rate is still 12.6% to 29.2%, exceeding the comparison models. In the fault recovery stage, the matching degree between the strategy generated by the model and the expert scheme reaches 94.4%. At the same time, the average recovery time is 37.6% shorter than the traditional method. The core contribution of this study lies in constructing an end-to-end integrated diagnosis-recovery framework; this solves the problem of feature transmission interruption in traditional hybrid models. The study proposes a noise-resistant dynamic recovery strategy mechanism that improves the adaptability to complex power grid scenarios; it also provides a technically feasible path for the engineering application of DL in the field of power system fault diagnosis and recovery. Moreover, it provides new ideas and methods for the model design of intelligent fault diagnosis throughout the power system process; this has significant practical significance for promoting the intelligent and efficient development of fault diagnosis in smart grids.

10

Application of spectrogram fusion and deep learning for hand gesture classification based on forearm electromyographic signals

Rak Jan, Gas Piotr

Archives of Electrical Engineering

|

2026

|

Vol. 75, nr 1

117--134

EN

Hand gesture recognition based on surface electromyographic (sEMG) signals plays a critical role in modern human–computer interaction systems, particularly in upper limb prosthetic applications. This study presents a method for classifying six selected hand gestures using sEMG signals acquired from three forearm muscles. The recorded signals were digitally filtered, and an automatic segmentation algorithm was developed to isolate individual gestures from the continuous muscle activity recordings. These segments were transformed into spectrograms using the short-time Fourier transform (STFT), which served as input data for various convolutional neural network (CNN) architectures. The study compares two approaches to data processing: one in which signals from each channel were analyzed separately, and another in which spectrograms from all three channels were fused into a single three-channel input. The primary objective was to investigate which method better captures the inter-relationships between the activity patterns of different muscles. The models were trained and evaluated using cross-validation. The best-performing architecture achieved an accuracy of 99%. The results indicate that fusing spectrograms from multiple channels into a single input can enhance the classification performance of complex muscle activity patterns, particularly when the amount of available training data is limited.

11

The application of sentence sequences in the diagnosis of Parkinson’s disease from handwriting samples using convolutional neural networks

Białek Kamila, Potulska-Chromik Anna, Jakubowski Jacek, Nojszewska Monika, Kostera-Pruszczyk Anna

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 2

10--13

EN

This paper presents the application of convolutional neural networks with the aim to recognize Parkinson's disease from handwriting samples. A method to improve binary classification results in disease diagnosis is presented using a series of images representing individual sentences derived from their sequence recording.

PL

W artykule zaprezentowano zastosowanie konwolucyjnych sieci neuronowych do rozpoznawania choroby Parkinsona na podstawie próbek pisma. Przedstawiono metodę poprawy wyników klasyfikacji binarnej w diagnostyce choroby poprzez użycie serii obrazów prezentujących pojedyncze zdania pochodzące z zapisu ich sekwencji.

12

The application of convolutional neural networks in age recognition based on handwriting samples

Białek Kamila, Jakubowski Jacek, Białek Rafał

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 3

24--27

EN

This paper presents an attempt to use a convolutional neural network to recognize the age group of people based on handwriting images recorded on a graphics tablet. A binary classification was performed between three age groups: young adults, middle-aged adults, and older adults.

PL

Artykuł przedstawia próbę wykorzystania konwolucyjnej sieci neuronowej do rozpoznawania przynależności do grupy wiekowej osób na podstawie obrazów pisma ręcznego zarejestrowanych za pomocą tabletu graficznego. Przeprowadzono klasyfikację binarną między trzema grupami wiekowymi: młodszymi dorosłymi, dorosłymi w średnim wieku i starszymi dorosłymi.

13

Supervised learning for lower urinary tract identification with limited and imbalanced training data

Wajman Radosław, Banasiak Robert, Sputowski Maciej, Mosorov Volodymyr

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 6

98--107

EN

In recent years, the advantages of AI in data processing and analysis have become increasingly evident in the medical field. There has been a rapid growth in the application of AI in clinical medicine, including its use in urinary system disease detection. AI offers the capability to process and utilize diagnostic information, presenting new opportunities for precise and individualized treatment while promoting non-invasive diagnostic and therapeutic approaches. This paper introduces an original approach to addressing the supervised learning problem in convolutional neural network (CNN) models for lower urinary tract identification when confronted with a scarce and imbalanced training dataset. The proposed solution involves significantly expanding the diagnostic urinary bladder dataset by increasing the number of samples through various augmentation strategies. However, this approach also intensifies the computational complexity of AI training, rendering it infeasible to load all training datasets into memory simultaneously. To overcome this challenge, a distributed computing approach has been developed, incorporating dynamic loading of training data alongside programming-level memory optimization.

PL

W ostatnich latach zalety sztucznej inteligencji (AI) w przetwarzaniu danych i diagnostyce medycznej stały się coraz bardziej widoczne. Wpływ na to mają postępy w technologii komputerowej i integracja wielu dyscyplin. Warto zauważyć, że nastąpił szybki wzrost zastosowań AI w medycynie klinicznej, w tym jej wykorzystania w technologiach wykrywania chorób układu moczowego. AI oferuje możliwość przetwarzania informacji diagnostycznych, co stwarza nowe możliwości precyzyjnego, spersonalizowanego leczenia, jednocześnie promując nieinwazyjne podejścia diagnostyczne. W niniejszym artykule przedstawiono oryginalne podejście do rozwiązania problemu uczenia nadzorowanego w modelach sieci neuronowych splotowych (CNN) do identyfikacji dolnych dróg moczowych w przypadku ograniczonego i niezrównoważonego zestawu danych treningowych. Proponowane rozwiązanie obejmuje znaczne rozszerzenie zestawu danych diagnostycznych dotyczących pęcherza moczowego poprzez zwiększenie liczby próbek za pomocą różnych strategii. Jednak podejście to zwiększa również złożoność obliczeniową treningu AI, co sprawia, że niewykonalne jest jednoczesne załadowanie wszystkich zestawów danych treningowych do pamięci. Aby przezwyciężyć to wyzwanie, opracowano podejście rozproszonego przetwarzania, obejmujące dynamiczne ładowanie danych wraz z optymalizacją pamięci.

14

Estymacja stanu układu dwumasowego z wykorzystaniem konwolucyjnej sieci neuronowej

Majdański Piotr, Wróbel Karol, Zawiślak Rafał

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 5

262--266

PL

W pracy zaprezentowano zastosowanie konwolucyjnej sieci neuronowej do estymacji zmiennych stanu układu dwumasowego. Dobrano odpowiednią strukturę sieci. Zaproponowaną sieć nauczono za pomocą wektorów uczących uzyskanych w badaniach symulacyjnych. Wytrenowana sieć została przetestowana w warunkach symulacyjnych jak i eksperymentalnych w formie pracy off-line względem układu sterowania.

EN

In this paper, the application of a convolutional neural network to the estimation of the state variables of a dual mass system is presented. A suitable network structure was selected. The constructed network was then learned using learning vectors obtained from simulation studies. The trained network was tested under simulation conditions and experimentally as an off-line operation in the control system.

15

Enhancing federated learning for privacy preserving intrusion detection in IoT networks

Benkaddour Mohammed Kamel, Abid Malika, Tedjini Abdeldjallil, Chenine Mustapha

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 9

127--133

EN

In the age of digital transformation, cyber security has become a paramount concern for organizations worldwide. Traditional Intrusion Detection Systems (IDS) face limitations in adaptability and scalability, particularly when processing vast amounts of data from diverse sources. This article explores the application of Federated Learning (FL) in enhancing IDS performance based Convolutional neural network, presenting a novel approach that leverages decentralized data processing while preserving data privacy. By allowing multiple nodes to collaboratively learn a shared model without exchanging raw data, Federated Learning addresses the privacy and security concerns associated with centralized IDS. The study evaluates the effectiveness of the proposed FL-based IDS using UNSW-NB15 datasets under both independent and identically distributed (IID) and non-independent and non-identically distributed (Non-IID) data distributions, demonstrating improved detection accuracy and robustness against sophisticated cyber threats. The results underscore the potential of Federated Learning to revolutionize intrusion detection, offering a scalable, efficient, and privacy-preserving solution for modern cybersecurity challenges.

PL

W dobie transformacji cyfrowej cyber bezpieczeństwo stało się kwestią najwyższej wagi dla organizacji na całym świecie. Tradycyjne systemy wykrywania włamań (IDS) napotykają ograniczenia w zakresie adaptowalności i skalowalności, szczególnie podczas przetwarzania ogromnych ilości danych z różnych źródeł. W tym artykule zbadano zastosowanie Federated Learning (FL) w zwiększaniu wydajności IDS, prezentując nowatorskie podejście wykorzystujące zdecentralizowane przetwarzanie danych przy jednoczesnym zachowaniu prywatności danych. Umożliwiając wielu węzłom wspólne uczenie się współdzielonego modelu bez wymiany surowych danych, Federated Learning rozwiązuje problemy związane z prywatnością i bezpieczeństwem związane z scentralizowanym IDS. Badanie ocenia skuteczność proponowanego opartego na FL IDS przy użyciu zestawów danych UNSW-NB15, wykazując zwiększoną dokładność wykrywania i odporność na wyrafinowane cyberzagrożenia. Wyniki podkreślają potencjał Federated Learning w zakresie zrewolucjonizowania wykrywania włamań, oferując skalowalne, wydajne i chroniące prywatność rozwiązanie dla współczesnych wyzwań cyberbezpieczeństwa.

16

Diagnosis of a group of induction motors powered from a joint point using deep learning

Zielonka Jakub, Naczyński Tymoteusz, Sułowicz Maciej

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 1

290--295

EN

The article presents the application of artificial intelligence based on deep learning algorithms for diagnostics of a group of induction motors. The group of diagnosed machines consists of four squirrel cage induction motors powered from one common point. For diagnostic purposes, similarly to the MCSA method, the stator current signal and additionally the supply voltage signal were used. In the research, the structures of convolutional neural networks - CNN were developed and then the training and testing procedure was carried out. The accuracy of the assessment obtained during the experimental tests was presented using the truth matrix.

PL

W artykule przedstawiono zastosowanie sztucznej inteligencji opartej o algorytmy uczenia głębokiego do diagnostyki grupy silników indukcyjnych. Grupa diagnozowanych maszyn składa się z czterech silników indukcyjnych klatkowych zasilanych z jednego wspólnego punktu. Do celów diagnostycznych, podobnie jak w metodzie MCSA, posłużył sygnał prądu stojana i dodatkowo sygnał napięcia zasilania. W badaniach opracowano struktury konwolucyjnych sieci neuronowych - CNN a następnie przeprowadzono procedurę treningu i testowania. Uzyskana podczas badań eksperymentalnych dokładność oceny przedstawiona została za pomocą macierzy prawdy.

17

Application of convolutional neural networks for characterization of biomass co-combustion process

Kotyra Andrzej

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 12

236--241

EN

Maintaining the biomass co-combustion process at the optimal state is more difficult for the mixture of different fuels compared to the one for which the facilities were designed. Flame image offers direct, low-latency information about the combustion process. The paper explores applying a simple convolutional neural network architecture to identify different cocombustion process states. The input data were flame image sequences captured during the combustion tests with varying fuel and airflow rates.

PL

Utrzymywanie procesu współspalania biomasy w optymalnym stanie jest trudniejsze w przypadku stosowania mieszanki różnych paliw w porównaniu do tej, dla której instalacje zostały zaprojektowane. Obraz płomienia jest źródłem bezpośredniej i praktycznie nieopóźnionej informacji o przebiegu procesu spalania. W artykule zbadano skuteczność rozpoznawania zastosowanie prostej architektury konwolucyjnej sieci neuronowej do identyfikacji różnych stanów procesu współspalania. Danymi wejściowymi były sekwencje obrazów płomienia zarejestrowane podczas testów spalania z różnymi wydatkami paliwa i powietrza.

18

Research on the Accuracy of Automatic Vision Algorithms for Classifying Traffic Lights

Góral Piotr, Świerek Agata, Piniarski Karol, Koniak Kamil, Kowalski Bogusław

Problemy Mechatroniki : uzbrojenie, lotnictwo, inżynieria bezpieczeństwa

|

2025

|

Vol. 16, Nr 2 (60)

65--79

EN

This article presents research concerning the recognition of road traffic lights. Initially, vision algorithms were analysed regarding their suitability for implementation in vehicle control systems dedicated to individuals with specific communication needs. The paper presents the results of experimental studies on a vision system for recognising traffic lights, conducted using convolutional neural networks (CNNs). For the experiment, a custom database of traffic light images was prepared. This database was utilised to train a selected Xception CNN model and for processing by a classic algorithm based on colour analysis in the HSV colour space. The obtained classification accuracy results, reaching 98.75%, could serve as a 'green light' for implementing the developed technology to assist driving. The research findings may also find application in driver assistance systems, with particular attention given to the mobility of people with specific needs, such as those with visual impairments.

PL

W artykule przedstawiono badania dotyczące rozpoznawania drogowej sygnalizacji świetlnej. Na wstępie poddano analizie algorytmy wizyjne pod kątem ich użyteczności do zaimplementowania w systemach sterowania pojazdów dedykowanych dla osób o szczególnych potrzebach komunikacyjnych. W pracy przedstawiono wyniki badań eksperymentalnych systemu wizyjnego rozpoznawania świateł sygnalizacji drogowej przeprowadzone w oparciu o splotowe, sztuczne sieci neuronowe. Na potrzeby eksperymentu przygotowano autorską bazę zdjęć sygnalizacji świetlnej, którą wykorzystano do trenowania wybranego modelu CNN Xception oraz przetwarzania przez klasyczny algorytm opierający się na analizie kolorów w przestrzeni barw HSV. Uzyskane wyniki dokładności klasyfikacji na poziomie 98.75 % mogą być (zielonym światłem) dla wdrażania opracowanej technologii wspomagającej prowadzenie pojazdu. Wyniki badań mogą znajdować także zastosowanie w systemach wspomagania kierowcy, wśród których uwaga poświęcona jest mobilności osobom o szczególnych potrzebach komunikacyjnych np. z wadami wzroku.

19

Verification of the die Temperature of a SiC Transistor Based on the Thermal Imaging and Machine Learning

Dziarski Krzysztof, Hulewicz Arkadiusz

Pomiary Automatyka Robotyka

|

2025

|

R. 29, nr 3

119--127

EN

The article presents a method for the automatic verification of the thermograms of the transistor packages, enabling the differentiation between those in which the die temperature is correct and those in which it is too high. This method is based on an indirect thermographic measurement of the transistor die temperature. The paper describes a measurement methodology that provides a reliable temperature assessment, based on simulations using the Finite Element Method (FEM). A transistor operating in pulsed mode (switching at a specific frequency, rather than in the active state) was used. The procedure for determining the coefficients required for these simulations is also presented. Additionally, the article includes an algorithm for analyzing thermograms of the investigated transistor packages and the results of this analysis, which allow for distinguishing components operating at the correct and excessive temperatures.

PL

W artykule przedstawiono metodę automatycznej weryfikacji termogramów obudów tranzystorów. Umożliwia rozróżnienie tych, które przedstawiają strukturę półprzewodnikową o właściwej temperaturze od tych przedstawiających strukturę półprzewodnikową o niewłaściwej temperaturze. Metoda ta opiera się na pośrednim termograficznym pomiarze temperatury struktury półprzewodnikowej tranzystora. W pracy opisano metodykę pomiaru, która zapewnia wiarygodną ocenę temperatury struktury przewodnikowej struktury półprzewodnikowej tranzystora. Zaproponowana metoda bazuje na pracach symulacyjnych z wykorzystaniem Metody Elementów Skończonych (MES). W badaniach zastosowano tranzystor pracujący w trybie impulsowym (przełączanie z określoną częstotliwością). Przedstawiono również metodę wyznaczania współczynników niezbędnych do wykonania prac symulacyjnych. Dodatkowo artykuł zawiera algorytm analizy termogramów obudów badanych tranzystorów oraz wyniki tej analizy. W konsekwencji możliwe jest rozróżnienie tranzystorów ze strukturą półprzewodnikową o właściwej temperaturze od tranzystorów ze struktura półprzewodnikową w niewłaściwej temperaturze.

20

A hybrid deep learning algorithm based prediction model for sustainable healthcare system

Tharageswari K., Mohana Sundaram N., Santhosh R.

Journal of Automation Mobile Robotics and Intelligent Systems

|

2025

|

Vol. 19, No. 2

89--98

EN

In the present era, maintaining a healthy and disease-free life is complex due to multiple personal and environmental impacts. Early identification and diagnosis will help human beings lead a sustainable life. However, to achieve this, healthcare data have to be processed in an efficient manner with more accuracy. Thus, the impacts of diseases or future impacts can be predicted or detected and proper medication can be provided by the physi- cians. Handling medical data over conventional data analysis is quite different due to data diversity. Efficient feature extraction techniques must be employed with minimum computation cost so that the extracted features can be classified in a better way. Machine learning models perform well in healthcare data analysis. However, the performance can be improved if deep learning models replace machine learning models. Thus, in this research work, a hybrid deep learning approach is proposed using convolutional neural networks (CNN) and the random forest (RF) algorithm. The final classifier block in the CNN architecture is replaced with a RF classifier to enhance the prediction accuracy of 0.975 and overall performance. Standard benchmark healthcare datasets are employed in the proposed model simulation analysis and the performances are compared to existing techniques such as a MNN (multi-neural network), CNN-multilayer perceptron (CNN-MLP), CNN-long short-term memory (CNN-LSTM), support vector machines (SVM), and KNN to validate the superior performance.